論文の概要: Personalized Privacy Amplification via Importance Sampling
- arxiv url: http://arxiv.org/abs/2307.10187v2
- Date: Thu, 15 Feb 2024 15:42:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-16 21:14:51.848017
- Title: Personalized Privacy Amplification via Importance Sampling
- Title（参考訳）: 重要度サンプリングによるパーソナライズドプライバシの増幅
- Authors: Dominik Fay, Sebastian Mair, Jens Sj\"olund
- Abstract要約: 重要サンプリングのプライバシー向上特性について検討する。
k平均クラスタリングの例を用いて,プライバシ,効率,重要度サンプリングの精度を評価した。
- 参考スコア（独自算出の注目度）: 2.1485350418225244
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We examine the privacy-enhancing properties of importance sampling. In
importance sampling, selection probabilities are heterogeneous and each
selected data point is weighted by the reciprocal of its selection probability.
Due to the heterogeneity of importance sampling, we express our results within
the framework of personalized differential privacy. We first consider the
general case where an arbitrary personalized differentially private mechanism
is subsampled with an arbitrary importance sampling distribution and show that
the resulting mechanism also satisfies personalized differential privacy. This
constitutes an extension of the established privacy amplification by
subsampling result to importance sampling. Then, for any fixed mechanism, we
derive the sampling distribution that achieves the optimal sampling rate
subject to a worst-case privacy constraint. Empirically, we evaluate the
privacy, efficiency, and accuracy of importance sampling on the example of
k-means clustering.
- Abstract（参考訳）: 重要サンプリングのプライバシエンハンシング特性について検討する。
重要サンプリングでは、選択確率は不均一であり、選択されたデータポイントは選択確率の相互関係によって重み付けされる。
重要度サンプリングの多様性から,パーソナライズされたディファレンシャルプライバシの枠組みで結果を表現する。
まず、任意のパーソナライズド・ディペンデント・プライベートなメカニズムを任意の重要サンプリング分布にサブサンプリングし、その結果のメカニズムがパーソナライズド・ディペンデント・プライバシを満たすことを示す。
これは、重要サンプリングの結果をサブサンプリングすることによって確立されたプライバシー増幅の拡張を構成する。
そして,任意の固定機構に対して,最悪の場合のプライバシー制約を受ける最適サンプリング率を達成するサンプリング分布を導出する。
実験では,k-meansクラスタリングの例として,重要サンプリングのプライバシ,効率,正確性を評価する。
関連論文リスト
- Differentially Private Covariate Balancing Causal Inference [8.133739801185271]
差分プライバシーは、プライバシー保護のための主要な数学的枠組みである。
我々のアルゴリズムは、所定のプライバシー予算の下で、整合性やレート最適性などの統計的保証のある点推定と区間推定の両方を生成する。
論文 参考訳（メタデータ） (2024-10-18T18:02:13Z) - Optimal Federated Learning for Nonparametric Regression with Heterogeneous Distributed Differential Privacy Constraints [5.3595271893779906]
本研究では,異なるサーバにまたがる分散サンプルのコンテキストにおける非パラメトリック回帰のためのフェデレーション学習について検討した。
統計の正確さとプライバシーの保護のトレードオフに光を当てている。
論文 参考訳（メタデータ） (2024-06-10T19:34:07Z) - Unified Mechanism-Specific Amplification by Subsampling and Group Privacy Amplification [54.1447806347273]
サブサンプリングによる増幅は、差分プライバシーを持つ機械学習の主要なプリミティブの1つである。
本稿では、メカニズム固有の保証を導出するための最初の一般的なフレームワークを提案する。
サブサンプリングが複数のユーザのプライバシに与える影響を分析する。
論文 参考訳（メタデータ） (2024-03-07T19:36:05Z) - TernaryVote: Differentially Private, Communication Efficient, and
Byzantine Resilient Distributed Optimization on Heterogeneous Data [50.797729676285876]
本稿では, 3次圧縮機と多数決機構を組み合わせて, 差分プライバシー, 勾配圧縮, ビザンチンレジリエンスを同時に実現するternaryVoteを提案する。
提案アルゴリズムのF差分プライバシー(DP)とビザンチンレジリエンスのレンズによるプライバシー保証を理論的に定量化する。
論文 参考訳（メタデータ） (2024-02-16T16:41:14Z) - Causal Inference with Differentially Private (Clustered) Outcomes [16.166525280886578]
ランダム化実験から因果効果を推定することは、参加者が反応を明らかにすることに同意すれば実現可能である。
我々は,任意のクラスタ構造を利用する新たな差分プライバシメカニズムであるCluster-DPを提案する。
クラスタの品質を直感的に測定することで,プライバシ保証を維持しながら分散損失を改善することができることを示す。
論文 参考訳（メタデータ） (2023-08-02T05:51:57Z) - Private Set Generation with Discriminative Information [63.851085173614]
異なるプライベートなデータ生成は、データプライバシの課題に対する有望な解決策である。
既存のプライベートな生成モデルは、合成サンプルの有用性に苦慮している。
我々は,最先端アプローチのサンプルユーティリティを大幅に改善する,シンプルで効果的な手法を提案する。
論文 参考訳（メタデータ） (2022-11-07T10:02:55Z) - On the Statistical Complexity of Estimation and Testing under Privacy Constraints [17.04261371990489]
差分プライバシー下での統計的テストのパワーをプラグアンドプレイ方式で特徴付ける方法を示す。
プライバシ保護のレベルが非常に高い場合にのみ、プライバシの維持が顕著なパフォーマンス低下をもたらすことを示す。
最後に,プライベート凸解法であるDP-SGLDアルゴリズムを高信頼度で最大推定できることを示した。
論文 参考訳（メタデータ） (2022-10-05T12:55:53Z) - Post-processing of Differentially Private Data: A Fairness Perspective [53.29035917495491]
本稿では,ポストプロセッシングが個人やグループに異なる影響を与えることを示す。
差分的にプライベートなデータセットのリリースと、ダウンストリームの決定にそのようなプライベートなデータセットを使用するという、2つの重要な設定を分析している。
それは、異なる公正度尺度の下で(ほぼ)最適である新しい後処理機構を提案する。
論文 参考訳（メタデータ） (2022-01-24T02:45:03Z) - Differential Privacy of Dirichlet Posterior Sampling [0.0]
ディリクレ後部分布から1枚のドローを放出する固有のプライバシーについて検討する。
トランカットされた集中微分プライバシー(tCDP)の概念により、ディリクレ後方サンプリングの単純なプライバシー保証を導き出すことができる。
論文 参考訳（メタデータ） (2021-10-03T07:41:19Z) - Partial sensitivity analysis in differential privacy [58.730520380312676]
それぞれの入力特徴が個人のプライバシ損失に与える影響について検討する。
プライベートデータベース上でのクエリに対する我々のアプローチを実験的に評価する。
また、合成データにおけるニューラルネットワークトレーニングの文脈における知見についても検討する。
論文 参考訳（メタデータ） (2021-09-22T08:29:16Z) - RDP-GAN: A R\'enyi-Differential Privacy based Generative Adversarial
Network [75.81653258081435]
GAN(Generative Adversarial Network)は,プライバシ保護の高い現実的なサンプルを生成する能力によって,近年注目を集めている。
しかし、医療記録や財務記録などの機密・私的な訓練例にGANを適用すると、個人の機密・私的な情報を漏らしかねない。
本稿では、学習中の損失関数の値にランダムノイズを慎重に付加することにより、GAN内の差分プライバシー(DP)を実現するR'enyi-differentially private-GAN(RDP-GAN)を提案する。
論文 参考訳（メタデータ） (2020-07-04T09:51:02Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。